Python實(shí)現(xiàn)中英文全文搜索的示例
文章版權(quán)所有:州的先生博客
原文地址:https://zmister.com/archives/1596.html
在互聯(lián)網(wǎng)上的各類(lèi)網(wǎng)站中,無(wú)論大小,基本上都會(huì)有一個(gè)搜索框,用來(lái)給用戶(hù)對(duì)內(nèi)容進(jìn)行搜索,小到站點(diǎn)搜索,大到搜索引擎搜索。
從簡(jiǎn)單的來(lái)說(shuō),搜索功能確實(shí)很簡(jiǎn)單,一個(gè)簡(jiǎn)單的 select 語(yǔ)句就可以實(shí)現(xiàn)數(shù)據(jù)的搜索。
而從復(fù)雜的來(lái)看,無(wú)論是搜索的精度還是搜索的效率,都是有很深的研究范圍的。
對(duì)于簡(jiǎn)單的搜索功能來(lái)說(shuō),一個(gè) select 查詢(xún)語(yǔ)句也足夠使用,但在稍微復(fù)雜一點(diǎn)的搜索環(huán)境下,比如網(wǎng)頁(yè)、文檔、新聞資訊等場(chǎng)景,單純的 select 查詢(xún)語(yǔ)句則是遠(yuǎn)遠(yuǎn)不夠。在這些場(chǎng)景下的搜索,全文搜索則是最低配置。
什么是全文搜索?百度百科如是說(shuō):
全文數(shù)據(jù)庫(kù)是全文檢索系統(tǒng)的主要構(gòu)成部分。所謂全文數(shù)據(jù)庫(kù)是將一個(gè)完整的信息源的全部?jī)?nèi)容轉(zhuǎn)化為計(jì)算機(jī)可以識(shí)別、處理的信息單元而形成的數(shù)據(jù)集合。全文數(shù)據(jù)庫(kù)不僅存儲(chǔ)了信息,而且還有對(duì)全文數(shù)據(jù)進(jìn)行詞、字、段落等更深層次的編輯、加工的功能,而且所有全文數(shù)據(jù)庫(kù)無(wú)一不是海量信息數(shù)據(jù)庫(kù)。
是不是看得不明不白的?講一個(gè)簡(jiǎn)單的例子大概就理解了。正常情況下,我們搜索“Python 安裝教程”,如果是普通的搜索,會(huì)直接使用 select 數(shù)據(jù)庫(kù)中包含“Python 安裝教程”的內(nèi)容。但是全文搜索,會(huì)首先將搜索詞拆分成:“Python 安裝教程”、“Python”、“安裝教程”、“安裝”、“教程”等,然后用這些拆分后的詞組進(jìn)行搜索。
市面上所有的搜索引擎都使用了全文搜索:
最近“MrDoc 交流群”里讓覓道文檔添加上全文搜索的呼聲很高,遂打算在覓道文檔中把常規(guī)的 select 查詢(xún)搜索替換為全文搜索。
最常見(jiàn)的開(kāi)源全文搜索引擎是 Elasticsearch,功能強(qiáng)大、性能強(qiáng)悍,但是其基于 Java 進(jìn)行編寫(xiě),在 Python 中使用不是很方便,最終州的先生選擇了純 Python 實(shí)現(xiàn)的全文搜索引擎——whoosh,并借助 Django 下的開(kāi)源搜索框架——haystack,依靠 jieba 中文分詞庫(kù),在覓道文檔這一典型 Python Web 應(yīng)用中實(shí)現(xiàn)了中英文的全文搜索。
安裝依賴(lài)庫(kù)
如上述所言,本次純 Python 方案實(shí)現(xiàn)中英文全文搜索使用到了如下 3 個(gè)庫(kù):
whoosh haystack jieba需要對(duì)其進(jìn)行安裝,使用 pip 命令進(jìn)行安裝即可:
pip install whooshpip install django-haystackpip install jieba
settings 配置
首先需要在 Django 項(xiàng)目的 settings.py 文件中進(jìn)行配置。
第一、在 INSTALLED_APPS 中添加 haystack 庫(kù):
第二、添加配置 haystack 的配置項(xiàng)
# 當(dāng)添加、修改、刪除數(shù)據(jù)時(shí),自動(dòng)生成索引HAYSTACK_SIGNAL_PROCESSOR = ’haystack.signals.RealtimeSignalProcessor’# 自定義高亮HAYSTACK_CUSTOM_HIGHLIGHTER = 'app_doc.search.highlight.MyHighLighter'
創(chuàng)建索引
在 app_doc 目錄下新建一個(gè)名為 search_indexes.py 的文件,在其中輸入如下內(nèi)容:
在 template 目錄下新建一色名為 search 的目錄,然后在 search 目錄下新建一個(gè)名為 indexes 的目錄,接著在其中新建一個(gè)名為 app_doc 的目錄(與 Django 應(yīng)用同名),最后在這個(gè)/template/search/app_doc 目錄下新建一個(gè)名稱(chēng) doc_text.txt 的文件(模型名稱(chēng)_text.txt),在其中輸入需要索引的模型字段:
{{object.name}}{{object.pre_content}}
創(chuàng)建中文分詞器
由于 whoosh 對(duì)中文的分詞能力不行,如果我們搜索中文,其八成不會(huì)對(duì)其進(jìn)行分詞,所以我們額外引入了 jieba 模塊來(lái)進(jìn)行中文分詞。
在 /MrDoc/app_doc/search 目錄下新建一個(gè)名為 chines_analyzer.py 的文件,在其中寫(xiě)入如下代碼:
自定義 whoosh 搜索引擎
在 /MrDoc/app_doc/search 目錄下新建一個(gè)名為 whoosh_cn_backend.py 的文件(這個(gè)路徑文件即是我們?cè)?settings.py 文件中指定的引擎路徑),復(fù)制 python 安裝路徑Libsite-packageshaystackbackendswhoosh_backend.py 的內(nèi)容到這個(gè)文件中,并做如下修改:
from whoosh.analysis import StemmingAnalyzer
替換為:
from app_doc.search.chinese_analyzer import ChineseAnalyzer as StemmingAnalyzer
這樣,我們自定義能夠進(jìn)行中文分詞的 whoosh 引擎就完成了。
編寫(xiě)視圖函數(shù)
完成上述步驟之后,全文搜索引擎幕后的工作就已經(jīng)完成了,我們接下來(lái)需要按照 Django 的方式,編寫(xiě)邏輯視圖,并進(jìn)行 HTML 模板的渲染。
在這里,州的先生在/MrDoc/app_doc/下新建了一個(gè)名為 views_search.py 的文件來(lái)放置全文搜索的視圖函數(shù),繼承 haystack.views.SearchView 類(lèi),自定義了一個(gè)全文搜索視圖類(lèi):
HTML 模板渲染
全文搜索引擎的數(shù)據(jù)默認(rèn)返回在了特定的 HTML 模板中,州的先生沒(méi)有對(duì)此進(jìn)行自定義,所以按照 haystack 的要求,在 template/search 目錄下新建了一個(gè)名為 search.html 的模板文件,對(duì)全文搜索視圖類(lèi)返回的搜索數(shù)據(jù)集進(jìn)行渲染解析。
生成索引
最后我們需要在命令行終端生成一下索引文件,使用如下命令:
python manage.py rebuild_index
這樣,就實(shí)現(xiàn)了純 Python 方案的中英文全文搜索,效果如下動(dòng)圖所示:
文中所涉代碼均為 MrDoc 覓道文檔源碼,包括:
/MrDoc/MrDoc/settings.py /MrDoc/app_doc/search/chinese_analyzer.py /MrDoc/app_doc/search/highlight.py /MrDoc/app_doc/search/whoosh_cn_backend.py /MrDoc/app_doc/search_indexes.py /MrDoc/app_doc/views_search.py /MrDoc/template/search/*源碼地址為:
https://gitee.com/zmister/MrDochttps://github.com/zmister2016/MrDoc
以上就是Python實(shí)現(xiàn)中英文全文搜索的示例的詳細(xì)內(nèi)容,更多關(guān)于python 實(shí)現(xiàn)全文搜索的資料請(qǐng)關(guān)注好吧啦網(wǎng)其它相關(guān)文章!
相關(guān)文章:
1. ajax請(qǐng)求后臺(tái)得到j(luò)son數(shù)據(jù)后動(dòng)態(tài)生成樹(shù)形下拉框的方法2. phpstudy apache開(kāi)啟ssi使用詳解3. JSP之表單提交get和post的區(qū)別詳解及實(shí)例4. Xml簡(jiǎn)介_(kāi)動(dòng)力節(jié)點(diǎn)Java學(xué)院整理5. 詳解瀏覽器的緩存機(jī)制6. .Net Core和RabbitMQ限制循環(huán)消費(fèi)的方法7. jsp實(shí)現(xiàn)登錄驗(yàn)證的過(guò)濾器8. jsp文件下載功能實(shí)現(xiàn)代碼9. ASP動(dòng)態(tài)網(wǎng)頁(yè)制作技術(shù)經(jīng)驗(yàn)分享10. 存儲(chǔ)于xml中需要的HTML轉(zhuǎn)義代碼
